常见离散分布和连续分布公式
多维随机变量函数的分布
i ,k : g ( x i , y j ) = z k
∑
p ij
＝pk ,
(x1,y1) (x1,y2) … p11 p12
(xi,yj) pij g(xi,yj)
…
Z=g(X,Y)
g(x1,y1) g(x1,y2)
例1 设(X,Y)的联合分布列如下所列： 试求(1)Z1=X+Y (2)Z2=X-Y (3)Z3=max{X,Y}的分布列
练习：设随机变量X与Y独立，且均服从0-1 分布，其分布律均为
X P 0 q 1 p
(1) 求W＝X＋Y的分布律; (2) 求V＝max(X, Y)的分布律； (3) 求U＝min(X, Y)的分布律。 (4)求w与V的联合分布律。
(X,Y) pij
W＝X＋Y
V＝max(X, Y) U＝min(X, Y)
−∞ 或 ∞ −∞
−∞
∫f
X
( z − y ) f Y ( y )dy ＝ ∫ f X ( x) f Y ( z − x)dx.
例2 设X和Y相互独立，并且服从[-1，1]上的均匀分 布，求Z=X+Y的密度函数。
解：
1 f Y ( x) = 2 0
+∞
当 −1 ≤ x ≤ 1 其他
其中α>0，β>0,试分别就以上两 种联结方式写出L的寿命Z的概率 密度．
αe − αx , x > 0, f X ( x) = x ≤ 0, 0,
βe − βy , y > 0, fY ( y ) = y ≤ 0, 0,
其中 α > 0, β > 0 且 α ≠ β . 试分别就以上三种联 接方式写出 L 的寿命 Z 的概率密度 .
06离散型连续型随机变量的分布
dx
18
注意要点
x
（2）从几何上看定义中的 F( x) f (t)dt y F (x) = P {X ≤ x }
o
x
x
（3）密度函数不是唯一的。
因为改变 f (x) 在个别点上的函数值，不会改 变分布函数 F(x) 的值。
19
2、概率密度函数的性质：
2、概率密度函数的性质：
(1) f ( x) 0;
P{X 0}, P{X 1}, P{X 2}
7
（3）P{ X 1} F ( 1 ) 0.6
2
2
P{1 X 3} F ( 3) F ( 1 ) 0.9 0.6 0
P{1 X 2} P{X 1} P{X 2} 0.4
8
1、(0-1)分布
二、常见的离散型分布
分布列为： X 0
1
P 1 p p
2、二项分布
2、二项分布
在独立试验概型中，进行 n 次重复试验时 A 发生 k 次的概率已知为：
Pn (k ) Cnk pk (1 p)nk (k 0,1, 2, ..., n)
如果用随机变量 X 表示 A 发生的次数，则 X 的可 能取值为：k = 0, 1, 2, …, n ，相应的分布律为：
1、(0-1)分布
若随机变量 X 只取两个值 x0 和 x1 ，并且
已知 P{ X x0 } 1 p, P{X x1} p，
称随机变量 X 服从两点分布。
特别：若 x0 0, x1 1, 则称为(0-1)分布。
其分布律为：P{ X k} pk (1 p)1k , (k 0,1)
k!
则称 X 服从参数为λ的泊松(Poisson)分布。
记为： X ~ ( )， 容易验证：
大学概率论必背公式
，使对任意实数 x，都有
F ( x)＝P( X x)＝x f (u)du
则称 X 为连续型随机变量，f (x)为 X 的概率密度函数，简称概率密度或密度函数。 记为 X～ f (x) , (- < x <+)
2. 密度函数的性质
(3)
若
x是
f(x )
f (x)的连续点，
dF(x dx
)
.
（4）
P(a X b)＝ b f (u)du a
P{X xk } pk ,k 1,2,
数学期望 E(X)是一个常数,而非变量．它是一种以概率为权的加权平均值 （1）X ~（0—1）分布
（2）X~B（n，p）二项分布 （3）X~（或）Poisson 分布
2. 连续型随机变量的数学期望
（1）X~U(a，b)均匀分布 其概率密度函数为：
f(x )
5. 边缘分布 6. 二维连续型随机变量及其密度函数 联合密度 f (x , y )的性质
7. 边缘密度函数
8. 条件密度函数
1）fX|Y (x
y)
f (x, y) 称为Y fY ( y)
y下, X的条件密度函数
2）fY|X ( y
x)
f (x, y) 称为X fX (x)
x下,Y的条件密度函数
8、相关系数： 若 r.v. X，Y 的方差和协方差均存在, 且 D(X )> 0, D(Y )> 0，则
称为 X 与 Y 的相关系数. X 与 Y 不相关 Cov(X, Y )=0 E(XY )= E(X )E (Y )。
8、矩 （1）k 阶原点矩 E(X k ), k=1, 2, … 而 E(|X|k)称为 X 的 k 阶绝对原点矩； （2）k 阶中心矩 E[XE(X )]k, k=1, 2, … 而 E|X-E(X )|k 称为 X 的 k 阶绝对中心矩；
常用离散型和连续型随机变量
常用离散型随机变量的分布函数(1) 离散型随机变量[1] 概念：设X 是一个随机变量，如果X 的取值是有限个或者无穷可列个，则称X 为离散型随机变量。
其相应的概率()i i P X x p ==(12)i =、……称为X 的概率分布或分布律，表格表示形式如下：[2] 性质： ❶0i p ≥ ❷11n i i p==∑❸分布函数()i i x x F x p ==∑ ❹1{}()()i i i P Xx F x F x -==-(2) 连续型随机变量 [1] 概念：如果对于随机变量的分布函数()F x ，存在非负的函数 ()f x ，使得对于任意实数x ，均有：()()xF x f x d x-∞=⎰ 则称X 为连续型随机变量，()f x 称为概率密度函数或者密度函数。
[2] 连续型随机变量的密度函数的性质❶()0f x ≥❷()1f x dx +∞-∞=⎰❸{}()()()P a X b F b F a f x dx +∞-∞<≤=-=⎰❹若()f x 在x 点连续，则()()F x f x '=(3) 连续型随机变量和离散型随机变量的区别：[1] 由连续型随机变量的定义，连续型随机变量的定义域是(),-∞+∞，对于任何x ，000{}()()0P X x F x F x ==--=；而对于离散型随机变量的分布函数有有限个或可列个间断点，其图形呈阶梯形。
[2] 概率密度()f x 一定非负，但是可以大于1，而离散型随机变量的概率分布i p 不仅非负，而且一定不大于1.[3] 连续型随机变量的分布函数是连续函数，因此X 取任何给定值的概率都为0.[4] 对任意两个实数a b <，连续型随机变量X 在a 与b 之间取值的概率与区间端点无关，即：{}{}{}{}()()()b a P a X b P a X b P a X b P a X b F b F a f x dx<<=≤≤=<≤=≤<=-=⎰即：{}{}()P X b P X b F x <=≤=(4) 常用的离散型随机变量的分布函数：[1] 0-1分布： 如果离散型随机变量X1{}k k P X k p q -==（ K=0、1） ()01p ≤≤ ()1q p =-称X 服从参数为p 的0-1分布。
高中数学学习中的概率分布与分布函数推导
高中数学学习中的概率分布与分布函数推导在高中数学学习中，概率分布与分布函数是重要的概念，它们被广泛应用于统计学和概率论中。
本文将介绍概率分布与分布函数的概念，并推导一些常见的概率分布和分布函数。
概率分布，也被称为分布律或分布函数，是用来描述随机变量各个取值的概率的函数。
假设随机变量X的取值集合为{x1, x2, ..., xn}，则概率分布可以表示为P(X=xi) = pi，其中pi为Xi取值的概率。
对于离散随机变量，概率分布可以表示为概率质量函数pmf，对于连续随机变量，概率分布可以表示为概率密度函数pdf。
常见的离散概率分布有伯努利分布、二项分布、泊松分布等。
伯努利分布是指只有两个可能结果的试验，例如抛硬币的结果可以是正面或反面。
对于伯努利分布，概率分布函数可以表示为P(X=x) = p^x * (1-p)^(1-x)，其中p为正面的概率。
二项分布适用于多次独立的伯努利试验，例如抛硬币多次或投掷骰子多次的结果。
对于二项分布，概率分布函数可以表示为P(X=k) = C(n,k) * p^k * (1-p)^(n-k)，其中n为试验次数，p为正面或成功的概率，k为成功的次数。
泊松分布适用于描述单位时间内某事件发生次数的概率分布。
对于泊松分布，概率分布函数可以表示为P(X=k) = (e^-λ * λ^k) / k!，其中λ为单位时间内事件的平均发生率，k为具体的发生次数。
对于连续概率分布，常见的有均匀分布、正态分布、指数分布等。
均匀分布是指随机变量在一段区间内各个取值的概率相等，概率密度函数为f(x) = 1/(b-a)，其中a和b分别为区间的上下界。
正态分布，也被称为高斯分布，是自然界中常见的分布形态，概率密度函数可以表示为f(x) = (1/sqrt(2πσ^2)) * exp(-(x-μ)^2/(2σ^2))，其中μ为均值，σ为标准差。
指数分布适用于描述随机事件之间的时间间隔，概率密度函数可以表示为f(x) = λ * exp(-λx)，其中λ为事件发生率。
常见概率分布类型解析
常见概率分布类型解析概率分布是描述随机变量可能取值的概率的函数。
在统计学和概率论中，有许多常见的概率分布类型，它们在不同的情境下具有不同的特点和应用。
本文将对几种常见的概率分布类型进行解析，包括二项分布、泊松分布、正态分布和指数分布。
一、二项分布二项分布是最常见的离散概率分布之一，描述了在一系列独立重复的同一试验中成功的次数的概率分布。
在每次试验中，事件只有两种可能的结果，通常用“成功”和“失败”来表示。
二项分布的概率质量函数可以用以下公式表示：P(X=k) = C(n,k) * p^k * (1-p)^(n-k)其中，P(X=k)表示成功的次数为k的概率，n表示试验的总次数，p表示每次试验成功的概率，C(n,k)表示组合数。
二项分布常用于描述二元随机变量的分布，例如抛硬币、赌博游戏等。
在实际应用中，二项分布可以用来估计二元事件发生的概率，进行假设检验等。
二、泊松分布泊松分布是描述单位时间（或单位空间）内随机事件发生次数的概率分布。
泊松分布适用于事件发生的次数是独立的且平均发生率是恒定的情况。
泊松分布的概率质量函数可以用以下公式表示：P(X=k) = (λ^k * e^(-λ)) / k!其中，P(X=k)表示事件发生次数为k的概率，λ表示单位时间（或单位空间）内事件平均发生率。
泊松分布常用于描述稀有事件的发生情况，例如电话交换机接到的电话数、一天内发生的交通事故数等。
在实际应用中，泊松分布可以用来预测未来一段时间内事件发生的概率。
三、正态分布正态分布是最常见的连续概率分布之一，也称为高斯分布。
正态分布具有钟形曲线的特点，均值、方差完全决定了正态分布的形状。
正态分布的概率密度函数可以用以下公式表示：f(x) = (1 / (σ * sqrt(2π))) * e^(-(x-μ)^2 / (2σ^2))其中，f(x)表示随机变量X的概率密度函数，μ表示均值，σ表示标准差。
正态分布在自然界和社会现象中广泛存在，例如身高、体重、考试成绩等。
(完整版)概率论公式总结
第一章P(A+B)=P(A)+P(B)- P(AB)特别地，当A 、B 互斥时， P(A+B)=P(A)+P(B) 条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章 二项分布（Bernoulli 分布）——X~B(n,p)泊松分布——X~P(λ))()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==n k k k B A P B P A P 1)|()()(∑==nk k k i i k B A P B P B A P B P A B P 1)|()()|()()|(),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ∑≤==≤=xk k X P x X P x F )()()(概率密度函数怎样计算概率均匀分布X~U(a,b)指数分布X~Exp ()对连续型随机变量分布函数与密度函数的重要关系：二元随机变量及其边缘分布分布规律的描述方法联合密度函数联合分布函数1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤b adx x f b X a P )()(⎰∞-=≤=xdtt f x X P x F )()()(⎰∞-=≤=xdt t f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f )(1)(b x a a b x f ≤≤-=联合密度与边缘密度离散型随机变量的独立性连续型随机变量的独立性第三章数学期望离散型随机变量，数学期望定义连续型随机变量，数学期望定义● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数● E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量g(X)的数学期望常用公式⎰+∞∞-=dyy x f x f X ),()(⎰+∞∞-=dx y x f y f Y ),()(}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k k k P x X E )(⎰+∞∞-⋅=dx x f x X E )()(∑=kk k p x g X g E )())((方差定义式 常用计算式常用公式 当X 、Y 相互独立时： 方差的性质D(a)=0，其中a 为常数D(a+bX)= abD(X)，其中a 、b 为常数当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y)协方差与相关系数协方差的性质∑∑=i j iji p x X E )(dxdy y x xf X E ⎰⎰=),()()()()(Y E X E Y X E +=+∑∑=i j ij j i p y x XY E )(dxdy y x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dx x f X E x X D )()()(2[]22)()()(X E X E X D -=))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+)()()(Y D X D Y X D +=+)()(),(Y D X D Y X Cov XY =ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =独立与相关独立必定不相关、相关必定不独立、不相关不一定独立第四章正态分布标准正态分布的概率计算标准正态分布的概率计算公式)()()(a a Z P a Z P Φ=<=≤)(1)()(a a Z P a Z P Φ-=>=≥)()()(a b b Z a P Φ-Φ=≤≤1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P一般正态分布的概率计算一般正态分布的概率计算公式),(~2σμN X 222)(21)(σμσπ--=x e x f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔()()(σμ-Φ=<=≤a a X P a X P (1)()(σμ-Φ-=>=≥a a X P a X P )()()(σμσμ-Φ--Φ=≤≤a b b X a P。
概率论-离散型随机变量及其分布律、分布函数
4. 泊松分布
设随机变量X的分布律为 P{X k} ke , k 0,1,2,,
k!
其中 0是常数.则称 X 服从参数为的泊松分
布,记为 X ~ π().
通常在n很大，p很小时，用泊松分布近似代替二项分布， 简称泊松近似。
Cnk
pk (1 p)nk
k e
k！
，
其中 np ，可查表 p247 得到泊松分布的概率。
(2) n 重伯努利试验
伯努利资料
设试验 E 只有两个可能结果: A 及 A,则称 E 为伯努利试验. 设 P( A) p (0 p 1),此时P( A) 1 p.
将 E 独立地重复地进行n 次,则称这一串重 复的独立试验为n 重伯努利试验.
实例1 抛一枚硬币观察得到正面或反面的情况. 若将硬币抛 n 次,就是n重伯努利试验.
3
4
0.0625 0.0625
例2 随机变量 X 的概率分布律如下，求常数 c
X01 2
1
1
3
pk
c 2
c 4
c 8
3
解：∵ pk 1,
k 1
即 1c 1c 3c 1
248
∴
c8 9
例3 设随机变量 X 的概率分布律如下，
X 0 1 23 4 5 6 pk 0.1 0.15 0.2 0.3 0.12 0.1 0.03
分析：这是不放回抽样.但由于这批元件 的总数很大, 且抽查元件的数量相对于元 件的总数来说又很小,因而此抽样可近似 当作放回抽样来处理. 把检查一只元件是否为一级品看成是一次试 验, 检查20只元件相当于做20 重伯努利试验.
解： 以 X 记 20 只元件中一级品的只数,
则 X ~ b(20, 0.2), 因此所求概率为
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
常见离散分布
1. 0-1分布
定义：如果随机变量X 只可能取0与1两个值，它的分布律是
1{}(1),0,1(01)k k P X k p p k p -==-=<<
则称X 服从参数为p 的0-1分布或两点分布。
()p,()(1).E X D X p p ==-
2. 二项分布
如果随机变量X 的分布律是
n {}(1),0,1,...,k k n k P X k C p p k n -==-=
则称X 服从二项分布，记为~(n,)X B p 。
()p,()(1).E X n D X np p ==-
3. 泊松分布
如果随机变量X 的分布律为k {},0!P X k e k λλλ-==
>为参数，k =0,1,2,…,则称服从参
数为λ的泊松分布，记为~()X P λ。
(),().E X D X λλ==
常见连续分布
1. 均匀分布
如果连续型随机变量X 具有概率密度
1,,()0,a x b f x a b ⎧<<⎪=-⎨⎪⎩
其它， 则称X 在区间(a,b)上服从均匀分布，记为~(,)X U a b .均匀分布函数为
0,0,(),,1,,
a x a F x a x
b b a
x b <⎧⎪-⎪=≤<⎨-⎪≥⎪⎩
2
()(),()212
a b a b E X D X ++==. 2. 指数分布
如果随机变量X 概率密度为
1,0,()(0)0,0,
x e x f x x θθθ-⎧>⎪=>⎨⎪≤⎩，
则称X 服从参数为θ的指数分布，记为~x ()X E p θ，（注λ=
1θ）
指数分布的分布函数为 1,0.()0,0.
x e x F x x θ-⎧⎪->=⎨⎪≤⎩
2(),()E X D X θθ==.
3. 正态分布
如果随机变量X 的概率密度为
22()2(),,x f x x μσ--=-∞<<+∞
其中μ，σ(σ>0)为参数，则称X 服从参数 μ，σ的正态分布(又称高斯分布)，记为2~(,)X N μσ.
正态分布2
~(,)X N μσ的分布函数为
22()2()e x x F x dt μσ--=-∞.
2(),()E X D X μσ==.。